本文介绍了一种新的noisy-max表示法，可有效进行常规贝叶斯网络的推理。实证研究表明，我们的方法能够计算出多个大型医疗网络中的查询，其中之前未曾表现良好的准确推理方法。

Jan, 2013

使用矩估计和方法论的算法，学习了具有已知结构和隐藏变量的离散变量的贝叶斯网络的参数。该算法特别适用于双分区noisy-or Bayesian networks，成功地在医学诊断中应用。

Sep, 2013

本文提出一种使用异常检测评估神经网络中不确定性质量的方法，通过从候选模型的预测中提取不确定性度量，将这些度量作为异常检测器的特征，并评估检测器区分已知类别和未知类别的能力。在MNIST和CIFAR10数据集上实验，比较了最大似然、贝叶斯随机失活、One-Sample贝叶斯逼近和标准变分逼近等候选神经网络模型的表现，结果表明贝叶斯随机失活和One-Sample贝叶斯逼近提供了更好的不确定性信息，并且在MNIST上与标准变分逼近相当，但速度更快。

Dec, 2016

提出了一种基于近似算法的模型平均方法，该方法仅考虑可靠的模型且能在数据量较大的情况下高效地进行比较。

Nov, 2018

提出一种使用贝叶斯方法中的随机变量作为分类任务中的softmax的替代品，以更好地估计不确定性和模型校准，并在多种挑战性任务中提供了一致的泛化性能提高。

Feb, 2020

生成后验网络（GPN）是一种新方法，利用未标记的数据来估计高维问题中的认识不确定性。它是一种生成模型，通过对网络进行正则化以从先验中采样，直接逼近后验分布。理论上证明我们的方法确实逼近了贝叶斯后验，并且实验证明它在比较方法上改进了认识不确定性估计和可扩展性。

Dec, 2023

本文介绍Quantified Boolean Bayesian Network (QBBN)，提供了逻辑和概率推理的统一视角，通过创建具有逻辑推理基础的无界布尔变量的贝叶斯网络，以解决信息检索中大型语言模型（LLM）产生幻觉的问题，并且研究了推断方法中的LBP的使用和收敛性。

Feb, 2024

我们研究了马尔科夫逻辑网络在不同大小关系结构之间的泛化行为。我们量化了内部一致性缺乏对马尔科夫逻辑网络参数方差的影响，并证明最大化数据对数似然和最小化参数方差对应于不同大小领域的两个泛化概念。通过控制参数方差，我们改善了马尔科夫逻辑网络的内部一致性，并在四个不同的数据集上进行了实证验证。

Mar, 2024

本研究解决了Kolmogorov-Arnold网络中的不确定性量化问题，特别是针对高阶ReLU KAN，旨在提高贝叶斯方法的计算效率。提出的方法具有一般性，能够同时获取认识性和随机性不确定性，并可推广到其他基函数。通过一系列闭合测试验证了我们的方法，包括对一维函数和随机偏微分方程的应用，展示了其在识别功能依赖关系方面的能力。

Oct, 2024

本研究首次提出在Kolmogorov-Arnold网络领域进行不确定性量化的方法，专注于提高计算效率的高阶ReLU KAN。该方法能够访问认知和随机不确定性，并具备迁移到其他基函数的能力，通过一系列闭合测试验证了其有效性，尤其在随机偏微分方程的应用中展示了识别功能依赖性的能力。

Oct, 2024